Claim Missing Document
Check
Articles

Found 3 Documents
Search

Penerapan Deep Learning (Artificial Neural Network) Untuk Klasifikasi Diagnostik Kanker Payudara Guna Mendukung Efisiensi Biaya Deteksi Dini Zeny Widianingsih; Aldi Algino
Al Makki Health Informatics Journal Vol. 4 No. 3 (2026): Al Makki Health Informatics Journal
Publisher : Al Makki Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57185/yrw05r30

Abstract

Kanker payudara merupakan salah satu jenis kanker dengan insiden tertinggi pada perempuan di Indonesia, dan lebih dari separuh pasien di rumah sakit rujukan kanker masih terdiagnosis pada stadium lanjut, sehingga biaya pengobatan yang harus ditanggung menjadi jauh lebih tinggi dibandingkan penanganan pada stadium awal. Deteksi dini yang cepat dan akurat menjadi kunci untuk menekan biaya pengobatan sekaligus meningkatkan peluang kesembuhan pasien. Penelitian ini bertujuan merancang dan mengevaluasi model deep learning berbasis Artificial Neural Network (Multi-Layer Perceptron) untuk mengklasifikasikan tumor payudara ke dalam kategori jinak (benign) dan ganas (malignant). Penelitian menggunakan dataset Wisconsin Diagnostic Breast Cancer (WDBC) yang terdiri atas 569 sampel dan 30 fitur numerik, dibagi menjadi 455 data latih dan 114 data uji (80:20) secara stratified. Model ANN dengan tiga lapisan tersembunyi (64-32-16 neuron) dievaluasi menggunakan akurasi, presisi, recall, F1-score, dan AUC serta dibandingkan dengan Logistic Regression, Random Forest, dan Support Vector Machine. Hasil menunjukkan Deep Neural Network mencapai akurasi 97,37%, presisi 97,26%, recall 98,61%, F1-score 97,93%, dan AUC 0,995, sementara Logistic Regression dan SVM mencapai akurasi 98,25%. Hasil ini menunjukkan bahwa model Deep Neural Network tidak mengungguli model klasik pada data tabular berukuran kecil. Pendekatan ini berpotensi mendukung skrining kanker payudara sebagai alat bantu diagnosis, sedangkan efisiensi biaya masih memerlukan analisis cost-effectiveness formal.
Penerapan Machine Learning untuk Klasifikasi Asal Anggur Berdasarkan Komposisi Kimia Guna Mendukung Autentikasi dan Pencegahan Pemalsuan dalam Industri Wine Zeny Widianingsih; Aldi Algino
Jurnal Ekonomi Teknologi dan Bisnis (JETBIS) Vol. 2 No. 10 (2023): Jurnal Ekonomi, Teknologi dan Bisnis
Publisher : Al-Makki Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57185/96f0dd52

Abstract

Pemalsuan anggur (Wine Fraud) merupakan masalah bisnis serius yang menimbulkan kerugian ekonomi, merusak kepercayaan konsumen, dan mendistorsi harga pasar, terutama pada segmen wine premium yang nilainya bergantung pada keaslian asal dan kultivar. Penelitian ini bertujuan merancang dan membandingkan lima model machine learning untuk mengklasifikasikan kultivar anggur berdasarkan 13 parameter komposisi kimia serta mengidentifikasi parameter yang paling berpengaruh sebagai dasar autentikasi produk. Penelitian menggunakan pendekatan eksperimental kuantitatif dengan data sekunder Wine sebanyak 178 sampel dari tiga kultivar di Italia. Data dibagi secara stratified menjadi 142 data latih dan 36 data uji dengan rasio 80:20. Model yang dibandingkan meliputi Deep Neural Network (Multi-Layer Perceptron), Logistic Regression, Random Forest, Support Vector Machine, dan K-Nearest Neighbors. Hasil pengujian pada pembagian data tersebut menunjukkan Random Forest mencapai akurasi 100%, sedangkan empat model lainnya mencapai 97,22%. Feature importance Random Forest mengidentifikasi intensitas warna, flavonoid, dan prolin sebagai parameter kimia paling dominan. Temuan ini menunjukkan potensi komposisi kimia standar dan machine learning sebagai pendukung autentikasi yang objektif dan efisien bagi produsen serta lembaga sertifikasi untuk menjaga reputasi merek dan integritas pasar. Namun, karena data uji hanya 36 sampel dan belum menggunakan cross-validation, hasil tersebut perlu ditafsirkan sebagai bukti awal yang memerlukan validasi lebih luas sebelum penerapan operasional.
Multidimensional Cluster Analysis to Evaluate the Unevenness of Social Welfare Decile Change Policy in Indonesia: A Data Science Approach Rizal Purnama; Aldi Algino; Septien Dwi Savandha
Interdiciplinary Journal and Hummanity (INJURITY) Vol. 5 No. 9 (2026): Injurity: Interdiciplinary Journal and Humanity
Publisher : Pusat Publikasi Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58631/injurity.v5i9.1563

Abstract

Backround: Social assistance targeting policy in Indonesia relies on a decile system within the Integrated Social Welfare Data (DTKS) to classify community welfare levels, yet this classification is frequently criticized for producing uneven exclusion and inclusion errors across regions.Objective: This study evaluates that criticism from a data science perspective. Five province-level socioeconomic indicators from Statistics Indonesia (BPS) for 2021, namely the Human Development Index, poverty percentage, Gini ratio, open unemployment rate, and GRDP growth rate, were collected for 32 Indonesian provinces.Method: The data were standardized and grouped using the K-Means algorithm, with the optimal number of clusters determined through the elbow method and silhouette score.Results: The resulting multidimensional cluster classification was then compared with a single-indicator poverty-based quintile classification, used as a simplified proxy for the single-indicator logic of the government decile, not as a reconstruction of the decile itself. The results show that five clusters produced the highest silhouette score (0.2802), and 59.38% of provinces were classified differently between the two approaches, with eight provinces experiencing a severe shift of two levels or more. The Adjusted Rand Index between the two classifications was only 0.0521, indicating very low agreement.Conclusion: These findings demonstrate substantial disagreement between multidimensional and poverty-based classification; they do not observe targeting errors, since household-level data were not accessible. The study is a province-level proof of concept; provincial aggregates cannot establish household-level exclusion or inclusion error. Multidimensional clustering may be considered as a complementary analytical tool for the further validation of welfare targeting.Keywords: data science; K-Means clustering; welfare decile; social assistance policy